基于深度学习特征的稀疏表示的人脸识别方法-马晓.pdf
( 4.5 )《基于深度学习特征的稀疏表示的人脸识别方法-马晓.pdf》由会员分享，可在线阅读，更多相关《基于深度学习特征的稀疏表示的人脸识别方法-马晓.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、第卷第期 智能系统学报 年月 ： 网络出版地址： 基于深度学习特征的稀疏表示的人脸识别方法马晓，张番栋，封举富，（北京大学信息科学技术学院，北京； 北京大学机器感知与智能教育部重点实验室，北京）摘要：本文针对传统的基于稀疏表示的人脸识别方法在小样本情况下对类内变化鲁棒性不强的问题，从特征的层面入手，提出了基于深度学习特征的稀疏表示的人脸识别方法。本方法首先利用深度卷积神经网络提取对类内变化不敏感的人脸特征，然后通过稀疏表示对所得人脸特征进行表达分类。本文通过实验，说明了深度学习得到的特征也具有一定的子空间特性，符合基于稀疏表示的人脸识别方法对于子空间的假设条件。实验证明，基于深度学习特征的稀疏
2、表示的人脸识别方法具有较好的识别准确度，对类内变化具有很好的鲁棒性，特别在小样本问题中具有尤为突出的优势。关键词：机器学习；生物特征识别；深度学习；特征学习；子空间；小样本；稀疏表示；人脸识别中图分类号： 文献标志码：文章编号：（）中文引用格式：马晓，张番栋，封举富基于深度学习特征的稀疏表示的人脸识别方法智能系统学报， ， （）： 英文引用格式： ， ， ， ，（）： ， ， ，（ ， ， ， ； （ ） ， ， ， ）： ， （） ， ： ； ； ； ； ； ； ； 收稿日期：网络出版日期：基金项目：国家自然科学基金项目（）；国家重点基础研究发展计划（）通信作者：马晓 ： 人脸识别是作为一项
3、重要的生物识别技术，在公安刑侦、企业管理、自助服务及互联网金融方面都取得了广泛的应用。实际的人脸识别系统多遇到的是小样本的人脸识别问题，即在识别中可以采集到的每个人的人脸样本相对较少，而且采集环境通常是在不可控的自然环境下进行的，人脸样本常常含有诸如光照、姿态、遮挡、表情、噪声等类内变化。如何在含有较大干扰的小样本人脸识别问题中取得鲁棒的识别结果，便成了当前许多人脸识别方面的研究工作所关心的问题。受稀疏编码和子空间方法的启发， 等提出了基于稀疏表示的分类方法，在含遮挡、噪声、光照的复杂环境下的人脸识别问题中取得了较好的效果。在工作的基础上，一系列基于稀疏表示的分类方法的研究取得了一定的进展，具
4、有代表性的包括关于稀疏表示中字典学习的研究工作，稀疏表示的快速优化策略，和关于添加对表示系数的不同约束的工作。其中， 指出了在基于稀疏表示的分类方法中协同性机制的地位，并提出了使用更松弛的二范数来约束训练字典表示系数的协同表示的分类方法。为了解决小样本情况下单类训练集字典对类内变化表达不充分的问题，文献创造性地将补偿字典引入了基于稀疏表示的人脸识别的方法中，在小样本的人脸识别问题中取得了一定的突破，但依然不能彻底分离训练集字典中类内变化产生的干扰。传统的基于稀疏表示的方法本质上依然基于样本的灰度特征，利用稀疏线性表达来实现对类内变化分量的分离。但对于实际问题，类内变化相对比较复杂，如姿态、表情
5、、复杂的光照，简单依靠线性表达很难将其分离出来。特别对于训练集字典极欠完备的小样本问题，凭借有限的训练样本更难实现这一目标。为了解决这一问题，本文将人脸的灰度特征通过深度神经网络非线性映射到一个特征线性子空间内，这一映射保留了样本分类相关的主要信息，去除了类内变化信息的干扰，使得映射后的特征对类内变化具有不变性且更有可区分性。然后，将该特征利用基于稀疏表示的分类方法进行表达和识别。实验证明，本文方法在具有较大类内变化的小样本问题上效果尤其突出，且对于姿态、表情这类非线性叠加的类内变化具有更好的鲁棒性。本文提出了基于深度学习特征的稀疏表示的人脸识别方法，将深度学习特征与稀疏表示相互结合，充分发挥
6、了深度学习在特征学习方面的优点和稀疏表示在小样本识别上的优点。通过实验，在一定程度上说明了深度学习所得的特征具有线性子空间特性，并对深度学习所得特征进行了较为系统的分析。相关工作基于稀疏表示的人脸识别方法基于稀疏表示的分类方法（ ， ）假设人脸图像位于线性子空间中，测试样本可以为所有类的训练样本（字典）协同线性表达，而测试样本所属类别的字典可以表示得更加稀疏（用较少的字典可以达到更好的重构）。在对表示系数增加稀疏性的约束后，求解所得的稀疏表示系数中非零项应主要为测试样本所属类别字典的对应项，因此便可以根据哪类字典可以取得对测试样本更小的重构误差来进行分类，这便是的工作原理。各步骤公式如下：表示
7、过程： （）分类过程： （）式中： ， ， ， 为训练样本（字典）；为第类训练样本（字典） ， ，( ) ，其每一列对应该类的一个样本；为测试样本； ， ， ，为协同表示时各类对应的表示系数。基于稀疏表示的分类方法能够有效利用人脸图像的子空间特性，不需要大量样本进行分类器的学习，对噪声具有较好的鲁棒性。基于稀疏表示的识别方法假设每类训练样本（字典）都必须是完备的，每类训练样本（字典）都有足够的表达能力。这一假设在具有较大干扰（如光照、姿态、遮挡等）的小样本问题中一般是不成立的。在小样本且具有较大干扰的人脸识别问题中，测试图片常常会被错分为具有相似类内变化的字典的类中，而不是具有相同外貌变化的类
8、中。为了消除小样本情况下类内变化的干扰，文献创造性地将补偿字典引入了基于稀疏表示的人脸识别的方法中，在小样本的人脸识别问题中取得了一定的突破，但依然不能彻底分离训练集字典中类内变化。较大类内变化干扰下的小样本人脸识别问题为了更好地分析子空间方法中类内变化带来的影响，等提出了统一子空间的理论概念。统一子空间理论认为人脸图像由原型成分、类内变化成分和噪声成分线性组合而成。如式（）和图所示。 （）图统一人脸子空间示意 式中：为与人脸相貌相关的原型成分，为与人脸图像的类内变化成分（如光照、姿态、遮挡等），为智能系统学报 第卷噪声成分。在人脸识别中需要尽可能地将与分类无关的成分和与分类相关的成分分离开来
9、。但通常，、和 个成分之间具有较强的相关性，很难通过线性表示（即便是稀疏线性表示）将其有效地分离开来，或者将和有效地去除掉。以人脸的姿态变化为例，同类人脸在不同姿态下的类内差与不同人脸在统一姿态下的类内差十分接近（均在外貌轮廓处有较大的响应），很难通过有限的样本和稀疏线性表示去除姿态对人脸图像的影响。且这一问题，在小样本的人脸图像识别的问题中，变得更加棘手。本文将人脸样本从灰度空间投影到特征空间，然后在特征空间使用基于稀疏表示的分类方法进行识别。对于投影后的特征，需要满足如下个条件：）投影后的特征需要满足线性子空间特性，这样才能符合基于稀疏表示的分类方法的基本前提；）投影后的特征对类内变化不敏
10、感，或者消除了类内变化。为了有效解决小样本问题，我们同时期望特征的学习可以通过外部数据来完成，然后迁移到小样本的数据集上来。换句话说，也就要求所学得的特征具有一定的可迁移性。传统的特征如、等不能很好地保证人脸图像中的类内变化可以被有效地去除，特别对于诸如姿态、遮挡、表情等这类比较复杂的类内变化，同时变化后的特征一般不具有子空间特性，很难适用于基于稀疏表示的分类方法，使之发挥更大的效能。深度卷积神经网络深度卷积神经网络（ ， ）是一种有监督的深度学习模型，已成为当前语音分析和图像识别领域的研究热点。等早在年就提出了经典的网络， 等使用的大规模深度在这样 类的分类问题上取得了非常好的结果。文献利用
11、网络在人脸识别领域取得了较大的突破，成为目前工业界和学术界的主流算法。卷积网络的核心思想是局部感受野、权值共享（或者权值复制）以及时间或空间亚采样。通常使用最后一层全连接隐层的值作为对输入样本所提取的特征，通过外部数据进行的有监督学习，可以保证所得的特征具有较好的对类内变化的不变性。为了更有效地解决复杂类内变化条件下的小样本人脸识别问题，本文结合近年来被深入研究和广泛应用到各类视觉问题的深度卷积网络，使用深度学习的方法来提取特征，然后与基于稀疏表示的方法相结合。使用深度学习得到的特征被诸多实验证明具有较好的可分性和迁移性，并对类内变化具有较好的鲁棒性。但其是否具有子空间特性这一问题却很少被人关
- 配套讲稿：
如PPT文件的首页显示word图标，表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制：
部分文档作品中含有的国旗、国徽等图片，仅作为作品整体效果示例展示，禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词：
- 基于 深度 学习 特征 稀疏 表示 识别 方法 马晓
淘文阁 - 分享文档赚钱的网站所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
限制150内